基于超完备稀疏分解的高光谱图像超分辨率复原技术研究

To meet the wide requirements of high resolution hyperspectral images in all kinds applications, this project is planned to research on technologies of overcomplete sparse decomposition based hyperspectral image super-resolution restoration. A material based hyperspectral image sparse decomposition algorithm is first investigated, which is to find the most representive spectral characters to establish a sparse dictionary,and make all the pixels of the hyperspetral image can be decomposed into best linear combinations of these itoms. To further improve its ability to describe texture and structer informations of the hyperspectral images, the index of SSIM(structural similarity index) is introduced during the process of the dictionary training. Furthermore,a double dictionary based hyperspectral image super resolution scheme is investigated. A pair of high-low resolution sparse dictionary is established first,which is to ensure that a pair of high-low resolution image can be sparse decomposed by the same coefficients. During the process of super resolution,the low resolution image is first dcomposed according to the correspond low resolution dictionary.Then the high resolution image is reconstructed by use of the same coefficients and the correspond high resolution dictionary. A image model of the hyperspectral image is used as an constrain to further improve fidelity of the recontructed image.

本项申请针对实际应用中对高分辨率高光谱图像的广泛需求，开展基于超完备稀疏分解的高光谱图像超分辨率复原技术研究,首先研究一种基于地物类别的高光谱图像稀疏分解算法，通过学习训练的方式寻找各类典型地物中最具代表性的光谱特征构成冗余字典，将高光谱图像中的每个像元分解为相应原子的最优线性组合的形式。冗余字典的设计过程引入结构相似度指标SSIM以提高所设计的字典对于图像中纹理、结构信息的描述能力。进而以此为基础，研究一种基于双字典的高光谱图像超分辨率复原算法，通过约束学习构建一组高、低分辨率相对应的冗余字典对，使得相互对应的一组高、低分辨率样本能够以相同的稀疏表示系数实现稀疏分解。在超分辨率复原过程中，首先将低分辨率图像基于低分辨率冗余字典进行稀疏分解，然后利用该稀疏分解系数基于对应的高分辨率冗余字典，重建高分辨率的高光谱图像。通过基于降质模型的约束优化进一步提高所重建图像的保真度。

高光谱图像空间和光谱分辨率的提高，一直是成像光谱领域的重点和难点课题之一。本项目针对实际应用中对高分辨率高光谱图像的广泛需求，开展了基于超完备稀疏分解的高光谱图像超分辨率复原技术的研究工作，从基于冗余字典的高光谱图像稀疏分解算法、高低分辨率相对应的冗余字典对训练算法以及高光谱图像的空间维、光谱维和空谱联合超分辨率复原算法等方面，开展了广泛的研究工作，取得了一定的研究成果。本课题所开展的主要工作及取得的成果如下：.（1）在基于冗余字典的高光谱图像稀疏分解算法研究方面，设计并实现了一种基于K-SVD的高光谱图像稀疏分解算法，针对高光谱图像相似地物具有相似光谱曲线的特点，改进了传统的k-SVD算法，将高光谱图像的每一根光谱曲线作为整体，训练冗余字典，实现了对高光谱图像的高效稀疏分解和高质量重建。进一步以此为基础，提出了一种基于地物类别的高光谱图像冗余字典训练方法，为每一地物类别训练相应的冗余字典，从而提高冗余字典的准确性和训练效率。基于SOC平台，设计实现了高光谱图像稀疏分解IP核，为基于冗余字典的高光谱图像处理算法的硬件实现奠定了基础。.（2）在高低分辨率冗余字典对训练方面，提出了一种基于约束学习的高光谱图像高低分辨率冗余字典对设计算法，通过建立高光谱图像空间分辨率降质模型，构建高低分辨率相对应的训练样本库，进而基于该样本库数据训练高低分辨率相对应的冗余字典对，使得相互对应的一对像元曲线，基于该冗余字典对进行稀疏分解时，具有相同的稀疏表示系数，为后续的超分辨率复原算法奠定基础。进一步提出了一种基于地物类别的冗余字典对设计方法和一种空谱联合冗余字典对设计方法，扩展了冗余字典对的设计方法与应用范围。.（3）在高光谱图像超分辨率复原算法方面，通过引入基于最大后验概率的约束优化框架，提出了基于冗余字典和MAP的空间维超分辨率复原算法、加速边缘优化的MAP改进算法、基于冗余字典对的高光谱图像光谱维超分辨率算法、空谱联合超分辨率复原算法等；另一方面也探索了PCA变换在成像光谱图像超分辨率复原中的应用，提出了基于PCA变换和全色影像的成像光谱图像超分辨率复原算法。.本课题严格按照研究计划实施，已在JARS、北京工业大学学报等国内外期刊上发表学术论文10篇，包括SCI检索论文1篇，EI检索论文3篇。申请专利3项，软件著作权8项，完成了课题预期目标。